继系列上一篇文章那么，机器学习和深度学习有什么区别呢？经过简单的讨论，今天我们将继续探讨两者之间的更多差异。前言大多数人没有意识到机器学习是人工智能(AI)的一种，它诞生于1950年代。1959年，亚瑟·塞缪尔(ArthurSamuel)编写了第一个计算机学习程序，其中一台IBM计算机玩跳棋的时间越长，它玩跳棋的能力就越好。快进到今天，人工智能不仅是尖端技术，而且相关工作报酬丰厚且令人兴奋。机器学习工程师的需求量很大，数据科学家和软件工程师都不具备机器学习领域所需的技能。公司需要精通这两个领域的专业人士，但他们不能胜任数据科学家和软件工程师的工作。这群人是机器学习工程师。“人工智能”、“机器学习”和“深度学习”这三个词经常互换使用，但如果你正在考虑从事人工智能职业，那么了解它们之间的区别很重要。根据牛津生活词典，人工智能是“能够执行通常需要人类智能才能完成的任务的计算机系统的理论和发展，例如视觉感知、语音识别、决策制定和语言之间的翻译”。虽然它们可能被称为“智能”，但一些人工智能计算机系统无法自行学习；这就是机器学习和深度学习的用武之地。让我们深入了解机器学习和深度学习到底是什么，以及机器学习和深度学习有何不同。什么是机器学习？通过机器学习，计算机系统被编程为从输入数据中学习，而无需重新编程。换句话说，他们不断提高自己在没有人工协助的情况下玩游戏等任务的表现。机器学习广泛应用于艺术、科学、金融、医学等领域。机器学习有不同的方法。有些很简单，比如基本的决策树；其他的要复杂得多，涉及多层人工神经网络。后者发生在深度学习中，我们稍后会谈到。机器学习之所以成为可能，不仅是因为亚瑟·塞缪尔(ArthurSamuel)在1959年开创性的程序使用相对简单（按照今天的标准）搜索树作为其主要驱动程序，而且他的IBM计算机在西洋跳棋方面不断得到改进。多亏了互联网，大量的数据被创建和存储，这些数据可以被输入计算机系统以帮助它们“学习”。使用Python进行机器学习是当今最流行的方法。什么是深度学习？有人认为深度学习是机器学习的下一个前沿，最前沿。如果您观看Netflix，一些流媒体音乐服务会根据您过去听过的歌曲或您喜欢的歌曲为您推荐观看。这些能力都是基于深度学习的。谷歌的语音识别和图像识别算法也使用了深度学习。正如机器学习被认为是人工智能的一种，深度学习通常被认为是机器学习的一种，有人称之为机器学习的一个子集。机器学习使用预测模型等简单概念，而深度学习使用旨在模仿人类思考和学习方式的人工神经网络。您可能还记得高中生物学课上讲过，人脑的主要细胞成分和主要计算元素是神经元，其中每个神经连接就像一台微型计算机。大脑中的神经元网络负责处理各种输入：视觉、感官等。与机器学习一样，在深度学习计算机系统中，数据仍然被馈送，但信息通常以庞大数据集的形式存在，因为深度学习系统需要大量数据来理解才能返回准确的结果。然后，人工神经网络向数据提出一系列正确/错误的二元问题，涉及高度复杂的数学计算，并根据得到的答案对数据进行分类。因此，虽然机器学习和深度学习都属于人工智能的一般范畴，并且都从数据输入中“学习”，但两者之间存在一些关键差异。机器学习和深度学习之间的5个主要区别1人为干预与机器学习系统不同，在机器学习系统中，人类需要根据数据类型（例如像素值、形状、方向）识别和手动编码应用的特征，深度学习系统尝试在没有额外人工干预的情况下学习这些特征。以人脸识别程序为例，程序首先学习检测和识别人脸的边缘和线条，然后学习人脸比较重要的部分，最后学习人脸的整体表示。这样做涉及的数据量是巨大的，随着时间的推移和程序本身的训练，得到正确答案（即准确识别人脸）的概率会增加。这种训练是通过使用神经网络完成的，类似于人脑的工作方式，不需要人重新编写程序。2硬件深度学习系统需要比简单的机器学习系统更强大的硬件，因为要处理的数据量很大，所用算法所涉及的数学计算也很复杂。一种用于深度学习的硬件是图形处理单元(GPU)。机器学习程序可以在不需要那么多计算能力的低端机器上运行。3时间正如您所预料的那样，深度学习系统可能需要大量时间来训练，因为它们需要大量数据集，并且涉及许多参数和复杂的数学公式。机器学习可能需要几秒到几小时，而深度学习可能需要几小时到几周！4方法机器学习中使用的算法倾向于对部分数据进行解析，然后将这些部分组合起来以获得结果或解决方案。深度学习系统可以一次性解决整个问题或场景。例如，如果您希望程序识别图像中的特定对象（例如，它们是什么以及它们在停车场的汽车牌照上的位置），您必须使用机器学习执行两个步骤：第一个对象检测，然后是物体识别。但是，对于深度学习程序，您输入图像，然后通过训练，程序一次性学习识别出的对象及其在图像中的位置。5应用考虑到上面提到的所有其他差异，您可能已经知道机器学习和深度学习系统用于不同的应用。它们的用途：基本的机器学习应用程序包括预测程序（例如预测股票市场的价格或下一次飓风袭击的时间和地点）、垃圾邮件侦察器以及用于设计基于证据的医疗治疗计划的工具患者。程序。对于深度学习，除了上面提到的Netflix、音乐流媒体服务和面部识别等例子外，深度学习的一个广为人知的应用是自动驾驶。这些程序使用多层神经网络来确定要避开的物体、识别交通信号灯以及知道何时加速或减速。机器学习和深度学习的未来趋势机器学习和深度学习的未来拥有无限可能！越来越多的机器人不仅用于制造业，还用于改善我们日常生活的其他一些方面。医疗行业也可能发生变化，因为深度学习可以帮助医生更早地预测或发现癌症，从而挽救生命。在金融领域，机器学习和深度学习可以帮助企业乃至个人省钱、更明智地投资、更有效地分配资源。而这三个领域只是机器学习和深度学习未来的开始。许多需要改进的地方现在仍然只是我们想象力的火花。
